Sai lệch hình khối là lỗi mà khách hàng nhìn ra đầu tiên, nhưng người chụp ảnh lại nhận ra sau cùng. Một chiếc túi xách có quai đeo lệch đi một phân, một chiếc ghế có độ sâu lòng hơi khác thực tế, hay chiếc nhẫn có phần thân dày dần về phía mặt đá — khi đứng riêng lẻ, chẳng chi tiết nào trông giống như bị lỗi cả. Nhưng trông chúng lại thành một sản phẩm hoàn toàn khác, và đó chính là vấn đề.
Đây là quy trình chuẩn hóa để đo lường độ chuẩn xác về mặt hình khối. Tài liệu này không công bố kết quả đánh giá cụ thể.
Làm thế nào để đo lường độ chính xác hình khối trong ảnh sản phẩm AI?
Chồng hình ảnh được tạo lên một ảnh chụp tham chiếu chính diện ở cùng tỷ lệ, đo hai tỷ lệ định trước cho mỗi sản phẩm, đếm từng chi tiết có thể đếm được, đồ lại cả hai đường bao ở độ tương phản cao, và chấm điểm vị trí các thành phần theo mức: chuẩn xác, bị biến đổi hoặc sai lệch. Độ lệch tỷ lệ dưới 2% chỉ là sai số đo lường; việc đếm sai số lượng luôn bị tính là "sai", bởi vì khách hàng hoàn toàn có thể đếm được.
Độ chính xác hình khối là gì?
Độ chính xác hình khối thể hiện việc hình ảnh được tạo ra có giữ đúng phom dáng của sản phẩm hay không: từ tỷ lệ kích thước, vị trí tương quan của từng bộ phận so với tổng thể, số lượng của các chi tiết lặp lại, cho đến đường viền tách biệt với phông nền. Đây là khía cạnh chính xác mà khách hàng sẽ nhận ra đầu tiên, bởi vì một sai lệch về hình khối trông không giống như một lỗi nhỏ — nó trông như một sản phẩm hoàn toàn khác.
Những lỗi nào được tính là sai lệch hình khối?
Có 4 nhóm lỗi cần tách biệt rõ ràng vì nguyên nhân dẫn đến chúng không hề giống nhau:
- Tỷ lệ (Proportion) — tương quan kích thước giữa các chiều. Một chiếc chai chuẩn phom dáng nhưng chỉ cần cao hơn 10% là khách hàng đã nhìn ra một phân khúc dung tích khác.
- Vị trí chi tiết (Placement) — vị trí tương đối của từng bộ phận so với tổng thể: vị trí túi áo, chốt khóa cài, hay điểm nối giữa quai xách và thân túi.
- Số lượng (Count) — số lượng của các chi tiết lặp lại. Ví dụ: hàng cúc áo, lỗ xỏ dây giày, mắt xích kim loại, rãnh khía ở đế giày. Ảnh do AI tạo ra rất hay lỗi ở điểm này và lỗi này cực kỳ dễ bị bỏ sót vì ít ai để ý ngồi đếm.
- Khung viền / Hình chiếu (Silhouette) — đường viền bao quanh sản phẩm trên nền ảnh; đây là nơi xuất hiện hầu hết các lỗi biến dạng phom dáng do AI tạo ra.
Chồng ảnh, đo đạc, đếm lỗi, viền nét
Bốn bước thực hiện tuần tự theo đúng thứ tự này, bởi mỗi bước sẽ phát hiện những vấn đề mà bước trước đó bỏ sót: chồng ảnh giúp nhận diện sai lệch tỷ lệ, hai tỷ số chuyển độ lệch đó thành con số cụ thể, đếm lỗi giúp ghi nhận những sai sót dễ bị ngó lơ, và viền nét đường bao sẽ tìm ra những chỗ bị lồi hoặc các đường cong bị bẹt dọc theo đường viền.
Cách chọn mẫu kiểm thử
Hãy làm theo quy trình đo độ chính xác tổng thể để chuẩn bị số lượng mẫu và ảnh chụp tham chiếu (reference photo), sau đó ưu tiên thêm các tiêu chí riêng cho hình khối:
Đưa vào các sản phẩm có chi tiết đếm được. Bất kỳ sản phẩm nào có yếu tố lặp lại — giày buộc dây, dây xích, trang phục cài cúc, họa tiết đục lỗ. Đây là những chi tiết dễ làm lộ lỗi đếm số lượng nhất.
Chọn tối thiểu năm sản phẩm có thiết kế bất đối xứng. Tính đối xứng rất dễ che giấu lỗi sai vị trí; chỉ có phom dáng bất đối xứng mới bộc lộ rõ lỗi này.
Chụp ảnh tham chiếu theo góc thẳng diện (square-on). Bạn không thể đánh giá hình khối chuẩn xác từ góc chụp nghiêng 3/4, vì hiện tượng phối cảnh xa gần sẽ bị nhầm lẫn với sự biến dạng của sản phẩm. Nếu ảnh tham chiếu bị nghiêng, quy trình này sẽ đo góc đặt máy ảnh của bạn chứ không đo đúng năng lực của công cụ AI.
Quy trình thực hiện
- Xếp lớp so sánh trước khi đánh giá (Overlay). Đặt ảnh AI xuất ra đè lên ảnh tham chiếu theo cùng tỷ lệ kích thước, sau đó giảm độ mờ đục (opacity) của lớp trên xuống khoảng 50%. Bất kỳ phần mềm chỉnh sửa ảnh nào cũng làm được việc này. Những lỗi lệch phom vốn khó thấy khi đặt hai ảnh cạnh nhau sẽ lộ rõ ngay khi xếp chồng lớp, và chỉ riêng bước này đã giúp phát hiện hầu hết các sai lệch về tỷ lệ.
- Đo hai tỷ lệ cố định trên mỗi sản phẩm, cần chọn trước các mốc đo và áp dụng nhất quán cho từng món đồ: với túi xách, đo chiều cao so với chiều rộng và độ thả của quai túi so với chiều cao thân túi; với giày, đo chiều dài đế so với chiều cao thân trên (upper). Hãy ghi lại số đo thực tế thay vì chỉ đưa ra nhận định cảm tính.
- Đếm các chi tiết lặp lại. Cúc áo, mắt xích, lỗ xỏ dây, rãnh đế giày. Đối chiếu trực tiếp giữa ảnh gốc và ảnh tạo ra. Đây là phép đếm số học chính xác, không phải ý kiến chủ quan.
- Đồ lại đường viền (Silhouette) ở độ tương phản cao — chỉnh ngưỡng sáng (threshold) của cả hai ảnh để so sánh viền ngoài. Các điểm bị phình ra hay các đường cong bị bẹt sẽ lộ ra ngay lập tức.
- Chấm điểm vị trí chi tiết theo thang điểm 3 mức tương tự như quy trình chung: chuẩn xác (faithful), bị biến đổi (altered), sai lệch (wrong).
Cách đọc và phân tích kết quả
Độ lệch tỷ lệ dưới 2% thì chưa cần xử lý. Mức này vẫn nằm trong phạm vi sai số đo lường thủ công thông thường, trừ khi bạn đang làm việc với các thiết bị chụp được hiệu chuẩn chuyên dụng.
Lỗi đếm số lượng luôn bị tính là "sai lệch" (wrong). Không có bất kỳ mức dung sai nào cho việc sai số lượng cúc áo hay mắt xích, bởi vì khách hàng hoàn toàn có thể nhìn và đếm được.
Gom nhóm các lỗi theo danh mục sản phẩm thay vì mức độ nghiêm trọng. Sai lệch hình khối hiếm khi xảy ra ngẫu nhiên: chúng thường tập trung vào những phom dáng mà mô hình AI xử lý kém. Quy luật này sẽ chỉ ra cho bạn biết nhóm sản phẩm nào trong danh mục bắt buộc vẫn phải dùng máy ảnh thực tế để chụp.
Bảng kiểm độ chính xác hình khối
| Loại lỗi | Cách phát hiện | Cách chấm điểm |
|---|---|---|
| Tỷ lệ | Chồng ảnh ở cùng tỷ lệ; chọn trước hai tỷ lệ kích thước | Bỏ qua sai lệch dưới 2%; nếu lớn hơn, ghi nhận dưới dạng số |
| Vị trí | Chồng ảnh, sau đó đánh giá theo thang điểm 3 mức | Chuẩn xác / Bị biến đổi / Sai |
| Số lượng | Đếm chi tiết lặp lại trên ảnh tham chiếu và ảnh kết quả | Bất kỳ sự chênh lệch nào cũng tính là "sai" |
| Đường viền | Phân ngưỡng cả hai ảnh và so sánh đường viền ngoài | Ghi nhận các phần phình ra và đường cong bị làm phẳng trên từng sản phẩm |
| Góc chụp tham chiếu | Chỉ chấp nhận góc chụp trực diện thẳng hàng | Ảnh tham chiếu chụp góc nghiêng sẽ làm mất hiệu lực lần chạy kiểm thử |
Một chiếc bốt buộc dây
Hình ảnh tạo bởi AI của một chiếc bốt buộc dây đã vượt qua bài kiểm tra khớp lớp phủ (overlay): đường viền nằm gọn bên trong hình ảnh đối chiếu trong phạm vi sai số cho phép, tỷ lệ giữa chiều dài đế và chiều cao thân giày hoàn toàn trùng khớp. Nhưng khi đếm chi tiết: mẫu gốc có bảy cặp lỗ xỏ dây, trong khi hình tạo ra chỉ có sáu. Nhìn tổng thể thì bức ảnh chẳng có điểm nào bất thường. Nhưng sản phẩm đã bị sai. Chiếc bốt đó bị chấm điểm "sai" ở hạng mục đếm chi tiết, phần ảnh cắt được lưu lại làm bằng chứng, và danh mục này — giày dép buộc dây — được đưa vào danh sách các kiểu dáng vẫn cần phải chụp bằng máy ảnh thực tế.
Câu hỏi thường gặp
Những lỗi nào được tính là sai lệch hình khối trong ảnh sản phẩm AI?
Bốn yếu tố: tỷ lệ (tương quan kích thước giữa các chiều), vị trí (tương quan vị trí của một chi tiết so với tổng thể), số lượng (số lượng của một chi tiết lặp lại) và hình bóng (đường viền bao quanh trên nền). Chúng được tách riêng vì có nguyên nhân khác nhau và cách khắc phục khác nhau.
Tại sao ảnh tham chiếu bắt buộc phải chụp thẳng góc?
Bởi vì hiện tượng rút ngắn theo phối cảnh (foreshortening) ở ảnh chụp góc nghiêng không thể phân biệt được với sự biến dạng ở ảnh đầu ra. Ở góc nhìn ba phần tư (three-quarter), quy trình sẽ đo lường vị trí góc chụp máy ảnh của bạn, chứ không phải năng lực của công cụ.
Mức độ lệch tỷ lệ bao nhiêu thì đáng bận tâm?
Dưới 2% nằm trong phạm vi sai số đo lường của chính bạn trừ khi bạn làm việc từ các ảnh chụp đã qua hiệu chuẩn, vì vậy không đáng để xử lý. Trên mức đó, hãy ghi lại hai tỷ lệ dưới dạng số liệu thay vì đánh giá cảm tính, và gom nhóm các lỗi theo danh mục sản phẩm.
Lỗi sai số lượng cúc áo có bao giờ được chấp nhận không?
Không. Lỗi số lượng luôn bị tính là "sai". Không có ngưỡng nào cho phép việc sai số lượng cúc áo, lỗ xỏ dây hay mắt xích được coi là chấp nhận được, bởi vì khách hàng có thể đếm được và biểu mẫu hoàn trả hàng không phân biệt lỗi nhỏ hay lỗi lớn.
Bước chồng ảnh (overlay) phát hiện được gì mà so sánh song song bỏ sót?
Sự lệch tỷ lệ. Khi đặt đè lên ảnh tham chiếu ở cùng tỷ lệ với lớp trên có độ mờ đục (opacity) khoảng 50%, những lỗi vốn vô hình khi đặt song song sẽ trở nên rõ ràng, và riêng bước này đã phát hiện được hầu hết các lỗi trước khi cần tiến hành đo đạc.
Những điểm quy trình này không đo lường
Quy trình này chỉ đo lường xem hình ảnh có mô tả trung thực sản phẩm hay không. Nó không đánh giá được liệu hình ảnh đó có giúp tăng chuyển đổi bán hàng, có được các sàn thương mại điện tử phê duyệt hay có thu hút thị hiếu người mua hay không. Đó là những bài toán hoàn toàn khác với các phương pháp kiểm thử riêng biệt, và việc đạt điểm cao ở quy trình này không đảm bảo cho bất kỳ yếu tố nào kể trên.
Độ tin cậy của quy trình cũng phụ thuộc hoàn toàn vào ảnh chụp tham chiếu của bạn. Nếu ảnh gốc bị mờ, thiếu sáng hoặc chụp ở góc khuất mất chi tiết quan trọng, quy trình sẽ cho ra kết quả khớp nhau ảo — một sự chuẩn xác không hề có thật.
Các quy trình liên quan: đo lường độ chính xác tổng thể của ảnh, bảo toàn chi tiết chất liệu, độ chuẩn xác màu sắc.
Để bắt đầu tạo ảnh phục vụ việc đánh giá, vui lòng truy cập công cụ AI product photography.